Universit Commerciale Luigi Bocconi

Corso di Laurea in Economia e Management delle Istituzioni e dei Mercati Finanziari

LImpatto degli Investimenti Sovrani: unAnalisi Empirica sulle Target Finanziarie

Relatore: Prof. Stefano CASELLI Controrelatore: Prof. Stefano GATTI Candidato: Francesco Paolo DE ROSA Matricola: 1361880

Anno Accademico: 2009/2010

Abstract Il presente lavoro indaga leffetto che gli investimenti dei Sovereign Wealth Funds (SWFs) hanno sulle target appartenenti alla macro area di business Banking & Finance; il campione utilizzato come dataset di partenza, contiene le transazioni di questo tipo avvenute dal Gennaio 2003 ad Agosto 2010. Lanalisi sviluppa un event study sui prezzi azionari delle target per calcolare gli Abnormal Returns (AR) sia nellintervallo [-1,+1] dalla data di annuncio, sia nel medio/lungo periodo. Successivamente, gli AR sono utilizzati come variabili dipendenti in una regressione cross-sectional che ne approfondir la natura. Successive elaborazioni analizzano limpatto degli investimenti dei SWFs sulla volatilit, anche attraverso lutilizzo di un volatility event study. Infine, mediante luso dellAppraisal Ratio, viene implementata una valutazione circa leffetto che questi investimenti producono sulle target partecipate in termini di relazione rischiorendimento. La ricerca ha evidenziato come il mercato, nel breve periodo, riconosca ai SWFs unabilit superiore di stock picking che premiata con AR positivi. Tuttavia, tale fiducia viene in media disattesa producendo performance negative delle target nel medio/lungo periodo. Anche la volatilit idiosincratica diminuisce nel tempo ma non abbastanza da impedire un deterioramento in termini di relazione rischio-rendimento.

INDICE

Introduzione A. Investimenti Sovrani ..................................................................6 B. Motivi dello Studio .....................................................................8 Costruzione del Dataset ..............................................................9 Analisi Empirica e Abnormal Return A. Rendimenti nel Periodo di Annuncio.......................................12 B. Medium/Long Term Abnormal Returns....................................16 C. Regressione Cross-sectional...................................................20 Test empirici e volatilit A. Fondi Sovrani e Volatilit .........................................................23 B. Volatility Event Study ...............................................................27 Appraisal Ratio Approach .........................................................32 Conclusioni ................................................................................33 Appendice ....................................................................................35 Bibliografia ...................................................................................56

Introduzione A. Investimenti Sovrani I Fondi Sovrani o Sovereign Wealth Funds (SWFs) sono entit possedute da Stati o Governi che si occupano di gestire portafogli di investimenti. Alcuni di essi sono o sono posseduti da Banche Centrali; altri, invece, sono veicoli di investimento puri costruiti per perseguire come obiettivo unico un rendimento sulle somme impegnate. La loro creazione dipende dai surplus monetari degli Stati da cui sono controllati. Nel caso della Cina, ad esempio, il surplus deriva dalla bilancia commerciale che vede il volume delle esportazioni molto superiore a quello delle importazioni. Tale fattispecie si ripresenta anche in altri Stati tra cui Singapore ed Indonesia. Unaltra tipica fonte di risorse rappresentata dalle riserve energetiche (petrolio o altre commodities). Esempi associabili sono rappresentati da tutti i Fondi Sovrani degli Emirati Arabi. Inoltre, anche le riserve accumulate nei Fondi Pensione Governativi possono essere destinate ad investimenti sovrani. Il Fondo Monetario Internazionale offre una classificazione dei SWFs per obiettivi: nel caso dello Stabilization Fund lo scopo principale diversificare le risorse economiche dello Stato, di solito il petrolio, per proteggersi dai suoi movimenti di prezzo; i Savings Funds rappresentano un modo per assicurare risorse alle nuove generazioni e contrastare il fenomeno del Dutch Disease1; le Reserve Investment Corporations, invece, hanno lobiettivo di incrementare il rendimento delle riserve detenute; i Development Funds tipicamente finanziano progetti dai risvolti socio-economici
1

Il fenomeno del Dutch Disease risale al lavoro di Corden e Neary (1982), anche se fu citato per la prima volta in un articolo del 1977 dal The Economist. Si tratta di un concetto che rimanda alla relazione pericolosa tra lincremento nello sfruttamento delle risorse naturali ed un declino del settore industriale. Il termine stata coniato per descrivere ci che avvenuto in Olanda nel 1959 dopo la scoperta di giacimenti di gas naturale.

per promuovere politiche industriali volte a determinare la crescita di un paese; infine, i Contingent Pension Reserve Funds rappresentano un modo per proteggersi dai debiti previdenziali governativi. Il termine Sovereign Wealth Fund (SWF) stato utilizzato per la prima volta nel 2005 in un articolo di A. Rozanov2. In questo commento gi era chiaro il riferimento ad un fenomeno dalla portata rilevante e di tipo globale per i mercati finanziari. Negli ultimi dieci anni i Sovereign Wealth Funds si sono moltiplicati fino a raggiungere una dimensione tale da rappresentare, per alcuni, una nuova minaccia per i mercati mondiali3. Le preoccupazioni derivano dal fatto che tali player finanziari sono caratterizzati da una mancanza di trasparenza e possono indurre altri Stati ad eccessi di protezionismo che danneggiano lefficienza dei mercati. Un altro rischio, per esempio, si riferisce alla non razionalit di questi nuovi investitori, che in quanto tali possono distorcere i prezzi degli asset4. La crescita dei Fondi Sovrani riflette i prezzi sempre pi alti del petrolio o di altre commodity e laccumulo di riserve da parte di altri paesi. Recenti studi stimano in 7 trilioni di dollari le riserve internazionali (incluso loro) detenute dai SWFs, a cui vanno aggiunti circa 2 o 3 trilioni addizionali5. Oggi, i Fondi Sovrani rappresentano un fenomeno che ha gi superato come dimensione e portata quello degli Hedge Funds. Sebbene, la dimensione sia ancora piccola se rapportata agli asset finanziari globali valorizzabili in circa 190 trilioni di dollari, le recenti proiezioni prevedono una crescita esponenziale per questi nuovi soggetti nel prossimo futuro. Anche durante il recente Market Turmoil i Sovereign Wealth Funds non hanno arrestato la loro
2 3

Who Holds the Wealth of Nations di Andrew Rozanov. Si veda la Figura 1 per apprezzare la portata globale del fenomeno. 4 Per una trattazione completa su questi temi si veda Beck e Fidora (2008). 5 Si veda Lyons (2007).

ascesa6 ma anzi hanno sfruttato la disponibilit di risorse liquide per investire in numerosi istituti di credito. La Figura 3 dimostra la preponderanza delle target finanziarie nel 2008. Lassalto dei SWFs alla finanza e ai mercati finanziari in genere rappresenta un fenomeno nuovo, controverso e inesplorato, che merita di essere approfondito. In questo studio, lobiettivo valutare limpatto che gli investimenti sovrani producono sulle target appartenenti allarea di business Banking & Finance.

B. Motivi dello Studio La letteratura moderna si spesso cimentata nellinterpretazione degli effetti delle partecipazioni azionarie sulle target. Shleifer e Vishny (1986), McConnell e Servaes (1990), Chen, Harford e Li (2007), hanno evidenziato i benefici legati al monitoring da parte dei blockholders. In particolare, si ritiene che gli azionisti di controllo possano rappresentare una soluzione al problema del free-rider, fattispecie nella quale i managers di una qualunque impresa si trovano ad operare senza un sistema di controlli. Di contro, Borokhovich, Brunarski, Harman e Parrino (2006) fanno luce sul fenomeno secondo cui diversi tipi di investitori istituzionali hanno effetti diversi sulle target partecipate indipendentemente dalla composizione del board o dalla percentuale di possesso. Tale intuizione richiama fortemente la fattispecie legata ai Sovereign Wealth Funds caratterizzata da aspetti propri e non direttamente comparabili agli altri casi per le motivazioni gi evidenziate nel paragrafo precedente. Per questo motivo, risulta interessante una ricerca circa limpatto che questi player hanno sulle performance delle target. Non di meno, la letteratura attualmente carente nellanalizzare tale
6

Si veda la Figura 2.

fenomeno. Sebbene, esistano alcuni event study7, nessuno di loro approfondisce lanalisi circa leffetto sulla volatilit o sullevolversi della relazione rischio-rendimento delle target partecipate. Il presente lavoro, inoltre, si concentra volutamente sullo studio esclusivo delle target finanziarie. Si ritiene infatti, che tale fattispecie, meriti di essere approfondita singolarmente, sia per rilevanza di volumi, sia perch caratterizzata da aspetti unici e non ordinari. Unanalisi empirica che analizzi gli effetti sulle partecipate pu essere uno strumento utile per capire e conoscere meglio i Sovereign Wealth Funds e la loro natura e, allo stesso tempo, un argomento di interesse sia per il mercato che per i policy-makers.

Costruzione del Dataset Nella prima parte del paper lobiettivo sar quello di investigare leffetto degli investimenti sovrani sui prezzi azionari delle target appartenenti alla macro area di business Banking & Finance. In particolare, lattenzione sar rivolta verso lapprofondimento di eventuali abnormal returns, sia considerando un orizzonte di breve periodo che di medio/lungo. Il primo passo da compiere certamente individuare tutte le investment entities di carattere sovrano. In tal senso, un utile strumento di consultazione stato caratterizzato dal compendio del Sovereign Wealth Fund Institute. La lista composta dai principali SWFs, ma come gi accennato nel lavoro di Dewenter, Han e Malatesta (2009), non esiste una lista completa delle entit sovrane a livello mondiale. Tale caratteristica dipende, in particolar modo, dal fatto che molte delle operazioni dei SWFs sono
7

I due event studies principali sono Dewenter, Han e Malatesta (2009) e Kotter e Lel (2010).

effettuate con veicoli di investimento costruiti appositamente e sui quali a volte non esiste disclosure alcuna. Ci nonostante, il presente lavoro integra le solite liste con veicoli di investimento spesso completamente dedicati agli investimenti nel settore finanziario8 9. Per una visione completa delle entit di investimento considerate nella nostra analisi si rimanda alla Tavola 1. Successivamente, attraverso lutilizzo della banca dati Zephyr Bureau Van Dijk specializzata nellM&A, sono state individuate tutte le operazioni annunciate da Gennaio 2003 ad Agosto 2010, che hanno coinvolto come soggetti acquirenti le entit di investimento mostrate nella Tavola 1. Una segmentazione ulteriore ha considerato solo le target quotate10 appartenenti allarea Banking & Finance. Inoltre, sono state considerate solo quelle operazioni che fossero caratterizzate esclusivamente da un possesso azionario da parte dellacquirente; ad esempio, non sono state considerate le transazioni che fossero caratterizzate dallacquisto di bond o altri strumenti finanziari11. Contestualmente, sono stati eliminati tutti gli investimenti con gruppi di acquirenti dove questultimi fossero per la maggior parte non di tipo sovrano12. Un analisi ulteriore stata effettuata prendendo in considerazione tutte le societ di tipo finanziario appartenenti allindice S&P 500 attraverso la banca dati Thomson Reuters One Banker ed i compendi ufficiali di Standard & Poors. A questo punto, attraverso Zephyr ho individuato eventuali acquirenti delle societ in esame,
8

Il 18% circa del dataset che riguarda le operazioni di investimento caratterizzato da veicoli specializzati o interamente o parzialmente posseduti dai SWFs. 9 Gran parte dei veicoli di investimento sono stati considerati grazie ai web-sites dei SWFs e a banche dati specializzate in news come Factiva o Lexis Nexis. 10 In particolare, sono state considerate solo quelle societ che fossero quotate da almeno 250 giorni precedenti alla data di annuncio del bid sovrano. Il motivo risiede nellavere disponibilit di dati per poter effettuare una regressione significativa nel calcolo successivo dellabnormal return. 11 Le operazioni caratterizzate da strumenti convertibili in azioni sono state considerate ma solo nel momento dellannuncio della trasformazione. 12 Anche nel lavoro di Dewenter, Han e Malatesta (2009) viene effettuata la medesima scrematura con lobiettivo di isolare nel nostro event study solo quelle circostanze che dipendessero quasi totalmente dallintervento di un SWF.

10

considerando sempre i requisiti e le specifiche per la costruzione del campione sopra menzionate. Infine, stato necessario eliminare tutte quelle operazioni che nonostante fossero state annunciate, non si erano mai ufficialmente concluse. Il dataset, come mostrato in Tavola 2, risulta composto da 71 transazioni. Contestualmente, viene evidenziata sia la provenienza geografica del bidder e della target che la ownership stake delloperazione. La Figura 4 ci mostra come l85% circa delle operazioni siano rivolte verso banche mentre l8% considera societ specializzate in servizi finanziari. La Tavola 2 evidenzia anche la data del primo rumour, la data del primo annuncio e quella in cui loperazione stata completata. Le informazioni appena menzionate sono state fornite dal database Zephyr. Levidenza, per, ha mostrato come alcune di queste date fossero in realt sbagliate; per questo motivo, un ulteriore raffinazione in tal senso stata effettuata attraverso luso di due fonti diverse come i news database Factiva e Lexis Nexis. Molti dei lavori fatti nel recente passato su questi temi tra i quali possono essere annoverati il gi citato Dewenter, Han e Malatesta (2009), Kotter e Lel (2010), Bortolotti, Fotak, Megginson e Miracky (2009) o Sojli e Tham (2010) differiscono nei risultati degli event studies anche a causa delluso di differenti date di annuncio delle transazioni. Nel nostro caso, non esiste una letteratura direttamente comparabile in quanto il presente lavoro volutamente si concentra sulle operazioni che coinvolgono il settore Banking & Finance.

11

Analisi Empirica e Abnormal Return A. Rendimenti nel Periodo di Annuncio Il passo successivo consiste nellanalisi dei prezzi azionari per il calcolo dellabnormal return. Successivamente, lattenzione sar posta sulle performance di medio/lungo periodo, per poi condurre unanalisi cross-sectional volta ad indagare le variabili che possono spiegare gli eventuali sovra-rendimenti. Nel presente lavoro si scelto di focalizzare levent study su una finestra di dati del tipo [-1,+1]; conseguentemente, il soggetto dellapprofondimento sar caratterizzato da 3 osservazioni corrispondenti ai rendimenti logaritmici13 giornalieri dei prezzi azionari delle target durante la data di annuncio, il giorno precedente e quello successivo. Tale scelta ricalca la consuetudine nel calcolo dellabnormal return14. Il giorno dellannuncio il primo giorno in cui tale notizia viene resa nota attraverso la stampa. In particolare, tali giorni sono stati verificati attraverso luso di database come Factiva e Lexis Nexis; il news coverage considerato di tipo internazionale, mentre le fonti consultate sono le Major World Publications che si distinguono dalle altre per attendibilit e credibilit. Nel nostro caso, utilizzeremo un market model per raggiungere lobiettivo. Si procede, quindi, regredendo i rendimenti logaritmici delle target su due indici di mercato e su tre variabili dummy15. I prezzi di borsa delle target sono adjusted per split e dividendi; sono stati consultati attraverso la banca dati Datastream.
13

Luso dei rendimenti di tipo logaritmico dovuto alla loro consueta propriet di essere aggregabili nel tempo, propriet di cui si usufruir in seguito. 14 Tale scelta, infatti, stata adottata anche nel lavoro di Dewenter et al. (2009), Kotter e Lel (2010) e Bortolotti, Fotak, Megginson e Miracky (2009). 15 Tale metodo di calcolo comunemente conosciuto come event parameter da Meulbroek (1992).

12

Il primo indice di mercato considerato replica la borsa domestica riferita alla target presa in esame; come benchmark dei mercati locali sono stati utilizzati i Thomson Reuters Country & Region Indexes16. Il secondo indice di mercato, invece, rappresentato dallo S&P Global Financials Sector Index che replica il rendimento di tutte le imprese appartenenti al settore finanziario dello S&P Global 1200 Index. Tale scelta mira a ricercare un clean abnormal return e cio un sovra-rendimento che consideri la fattispecie del campione in esame, che riferito esclusivamente al mondo Banking & Finance. Laccorgimento risulta coerente con il sample utilizzato ed pi funzionale al nostro obiettivo. Le tre variabili dummy sono definite come Di-1, Di0 e Di+1 con i riferito alla generica impresa target. Ognuna di loro rispettivamente assume un valore di zero per tutti i giorni considerati tranne quando si nel giorno indicato dal pedice, dove la variabile assume un valore di uno17. Il modello pu essere sintetizzato come segue: Rit = i + iLRLt + iFRFt + i-1Di-1 + i0Di0 + i+1Di+1 + eit (1)

dove le variabili Rit, RLt e RFt rappresentano il rendimento dellazione dellimpresa target i, il rendimento del rispettivo benchmark domestico ed il rendimento dellindice di replica finanziario, tutte rispettivamente al tempo t. Il termine di errore definito come
it

si assume sia normalmente distribuito e con

media zero. I coefficienti della regressione i-1, i0 e i+1 sono stime dellabnormal return della i-esima impresa target rispettivamente nel giorno precedente la data dellannuncio, la data dellannuncio

16 17

Tali indici sono market capitalization weighted. Il giorno i0 si riferisce allevent day e cio alla data dellannuncio. Ad esempio, nel caso della prima operazione mostrata in Tavola 2 tra Morgan Stanley ed il Fondo Sovrano China Investment Corporation, levent day, il 19/12/2007.

13

stessa e la data susseguente. Conseguentemente, il CAR18 della iesima target non altro che la somma dei tre coefficienti sopra menzionati. Sono dunque state stimate 71 regressioni usando rendimenti giornalieri su un periodo [-250,0]. Lanalisi dei rendimenti ha portato ad escludere la pratica secondo la quale andrebbe esclusa dalla stima della regressione una finestra di dati immediatamente precedente allevent day. Cos come argomentato da alcuni autori19, esiste ancora poca disclosure nel mondo dei SWFs; ci si riflette nellavere raramente un rumore rilevante visibile nei prezzi nei giorni precedenti alla transazione. Inoltre, alcuni Fondi Sovrani sistematicamente compiono acquisti nellopen market, vanificando in modo consistente la possibilit di fuga di notizie nel periodo immediatamente precedente alla transazione. Il CAR medio risulta essere dello 0,54%. Nella Figura 5 possibile vedere listogramma che ne descrive la distribuzione. La mediana risulta essere minore della media e si attesta sullo 0,46%, tuttavia, il numero di osservazioni positive supera quelle negative con un rapporto rispettivamente di 37 a 34 ed una skewness positiva nellordine dello 0,12. La distribuzione, quindi, assume il classico comportamento che proprio dei cumulative abnormal returns. Ci nonostante, la statistica di Jarque-Bera20 non rende rigettabile lipotesi di normalit. Per studiare la significativit21 dei CAR possiamo condurre un test di verifica di ipotesi dove lipotesi nulla (H0) che la media dei CAR sia zero. Tale ipotesi non rigettabile con il 95% di probabilit.
18

Cumulative Abnormal Return. Per una trattazione completa si veda Fama, Fischer, Jensen e Roll (1969). 19 A tal proposito si veda Balding (2009, p.10); significant gaps in knowledge remain about sovereign wealth funds. 20 Jarque-Bera una statistica test per verificare la normalit di una serie di dati; misura la differenza di skewness e kurtosis di una serie di dati rispetto a quelle di una distribuzione normale. Sotto lipotesi nulla di distribuzione normale, la statistica si 2 distribuisce come una con due gradi di libert. 21 Per una trattazione completa sul tema dei test di significativit negli event studies si consulti il paper di Serra (2002).

14

Ad ogni modo, test non parametrici mostrano esiti confortanti e risultano essere pi appropriati nella nostra situazione. Applicando il noto Generalised Sign Test22 abbiamo la possibilit di considerare anche la gi prevedibile skewness della distribuzione. La statistica test sar: GS = p0 - p / [p (1 - p) (1/N)]1/2 (2)

dove p0 rappresenta la frazione osservata di rendimenti positivi e p il parametro della distribuzione binomiale. In aggiunta al cumulative abnormal return stato calcolato per lo stesso sample di osservazione anche il cumulative market adjusted return, definibile con lacronimo CMAR. I CMARs sono stati calcolati sottraendo al rendimento giornaliero dellazione della target il rendimento dellindice replicante il suo mercato domestico per lintervallo temporale [-1,+1]. Il risultato medio risulta essere dello 1,1%; la distribuzione mostrata nella Figura 6. La media risulta essere sensibilmente pi alta, circa il doppio di quella calcolata precedentemente. siano diversi, la Sebbene differenza i due metodi computazionali maggiore

caratterizzata dalla presenza o meno dellindice finanziario come benchmark del rendimento della target23. Approfondendo lanalisi si ritiene utile considerare un subdatabase comprendente esclusivamente le transazioni caratterizzate da un ownership stake maggiore o uguale al 5%. Riprendendo, infatti, le conclusioni di Vishny e Shleifer (1986)
22 23

Sanger e McConnell (1986) e Cowen e Sergeant (1996). Nella presente analisi si scelto volontariamente di non confrontare i risultati ottenuti con quelli della recente letteratura. Infatti esistono rilevanti problemi di omogeneit a causa dei diversi campioni utilizzati. Nel lavoro di Dewenter, Han e Malatesta (2009) sono considerate le target di ogni settore in un intervallo temporale che va dal Gennaio 1996 ad Aprile 2008; Kotter e Lel (2010), per esempio, considerano il periodo 1980-2009. La peculiarit di questo lavoro va ricercato nella volontaria focalizzazione sul controverso fenomeno che coinvolge Fondi Sovrani e istituzioni appartenenti al mondo finanziario.

15

possiamo argomentare su se esista o meno un fenomeno di monitoring che possa essere funzione crescente della porzione di capitale in possesso del SWF24 e riflettersi quindi in un maggiore abnormal return. Il sub-database presenta 36 osservazioni con un CAR sensibilmente pi alto che si attesta su una media di 1,72%. Analogamente il CMAR medio risulta essere di 2,08%. La Tavola 3 presenta un quadro di sintesi. Concludendo, esiste un consistente abnormal return nellintervallo [-1,+1] dalla data dannuncio della transazione. Il mercato, dunque, in media, crede nellabilit dei SWFs di creare valore nelle target che partecipano. Ci nonostante, in questa parte del lavoro, risulta ancora difficile capire se gli investitori premino labilit di stock picking dei SWFs o se realmente credano nella capacit degli stessi di aumentare la contendibilit e migliorare la governance delle target.

B. Medium/Long Term Abnormal Returns La seguente sezione si pone lobiettivo di analizzare lesistenza o meno di significativi abnormal returns nel periodo successivo agli annunci delle operazioni di acquisto da parte dei SWFs. Per essere pi precisi, lapprofondimento considerer gli intervalli compresi tra [2,250], [2,750] e [2,1250] trading days25. Il metodo che verr utilizzato sar il Cumulative Market Adjusted Return (CMAR) che pi adatto ad una valutazione di lungo
24

Da Dewenter et al. (2009, p.2): large shareholders can enhance firm values by facilitating beneficial takeovers or otherwise causing firms to adopt value-added improvements. 25 Nella maggior parte degli anni, infatti, ci sono circa 252 trading days. Conseguentemente, gli intervalli proposti rappresentano approssimativamente rispettivamente uno, tre e cinque anni di rendimenti giornalieri. La stessa scelta stata adottata da Dewenter, Han e Malatesta (2009); diversamente Bortolotti et al. (2009) considerano periodi di 240 e 480 giorni di negoziazione.

16

periodo. Infatti, un market model prevede che i coefficienti della regressione siano stimati su un intervallo di 250 osservazioni precedenti alla data di annuncio. Tale forchetta di dati, essendo relativamente piccola, pu generare delle stime che mal si adattano a intervalli pi lunghi26. Il Market Adjusted Return per la i-esima impresa (MARit) definito come la differenza tra il rendimento dellazione considerata al tempo t (Rit) ed il rendimento dellindice di mercato domestico in t (RLt): MARit = Rit - RLt (3)

Conseguentemente, il CMAR dal giorno a al giorno m sar la sommatoria del MAR per il periodo considerato:
m

CMARi,m =

! MAR it
t =a

(4)

Inoltre, sar considerato anche un altro metodo di calcolo comunemente conosciuto come Buy and Hold Market Adjusted Return (BHAR). Consiste nella differenza tra la capitalizzazione composta del rendimento dellazione target e la capitalizzazione composta del rendimento del benchmark del mercato domestico, dal tempo a al tempo m. La formula, dunque, sar:
& m # & m # BHARi ,m = $C ( + Rit )! ' $C ( + RLt )! 1 1 % t =a " % t =a "

(5)

26

Per esempio, nel caso di rendimenti precedenti allannuncio molto alti il modello genererebbe un negative bias con stime degli alpha maggiorate.

17

Analogamente

quanto

fatto

nella

sezione

precedente,

produciamo unanalisi che consideri esclusivamente le transazioni con partecipazioni maggiori o uguali al 5%. La Tavola 4 riassume i risultati ottenuti. Se consideriamo come orizzonte temporale la finestra di rendimenti [2,250] i risultati medi sono tutti negativi con un picco del 18% circa raggiunto nel calcolo del CMAR che considera lintero campione (64 osservazioni); non risultano differenze consistenti se si considera il sample delle transazioni con partecipazioni maggiori o uguali del 5%. Lintervallo [2,750] presenta un unico valore positivo che coincide con il CMAR medio; il campione, in questo caso, quello modificato (16 osservazioni). Nel caso [2,1250] le medie risultano essere tutte molto negative con un massimo del 73% nel BHAR con campione modificato (11 osservazioni). Complessivamente, le medie assumono tutte lo stesso comportamento nel tempo sia con calcoli diversi (BHAR vs CMAR), sia con campioni diversi. Presentano, infatti, un evidente miglioramento nel passaggio dal primo intervallo al secondo, per poi ritornare ad un valore peggiore rispetto al primo nellintervallo [2,1250]27. Anche la volatilit associata agli abnormal return correlata positivamente con lallungamento della finestra di dati. Infatti, sia nel calcolo del CMAR che del BHAR, per entrambi i campioni analizzati, la dispersione tanto maggiore quanto pi lungo lintervallo considerato28. Il risultato della precedente analisi senzaltro inequivocabile; le target dimostrano nel complesso di avere performance negative nel lungo periodo.

27 28

Vedi Figura 7. Il valore massimo si raggiunge nel calcolo del BHAR con campione modificato dove la deviazione standard dell81%.

18

Tuttavia, se consideriamo il full sample, il BHAR [2,250] non risulta statisticamente significativo cos come il CMAR [2,250] ed il CMAR [2,1250]. Le evidenze riportate nel calcolo delle performance di lungo periodo sembrano confermare la teoria del Constrained Foreign Investor Hypothesis citata e confermata nel lavoro di Bortolotti et al. (2009) ma prodotta da Chen, Harford e Li (2007). Tale lavoro sostiene che gli investitori stranieri, soprattutto entit di carattere sovrano, avrebbero timore di esercitare un ruolo di monitoring attivo per non generare opposizione di carattere politico. Tutto ci sembra riflettersi perfettamente con quanto trovato29. Concludendo, reazioni positive del mercato allannuncio delle operazioni si scontrano con i risultati appena prodotti30. Gli abnormal returns analizzati nella sezione precedente risultavano rinvigoriti nel caso di partecipazioni maggiori o uguali al 5%; tale fenomeno, invece, assente nel medio/lungo periodo. Dati cos netti possono rimandare al fenomeno del tunneling proposto da Dewenter, Han e Malatesta (2009)31; secondo gli autori, i grandi azionisti potrebbero estrarre benefici personali, quindi valore, dalle target possedute con conseguenti performance negative nel tempo. Questo, per, non spiegherebbe perch la grandezza della partecipazione non ha rilevanza nel lungo termine. Inizialmente, gli abnormal returns riflettono un eccessivo ottimismo del mercato, sensibile alla stake acquistata dai fondi sovrani che per diventa sensibilmente negativa con il passare del tempo. Sebbene possiamo affermare che lintervento dei Fondi Sovrani non crei un overperformance duratura, va osservato che tale effetto potrebbe essere semplicemente dovuto ad una scarsa abilit di stock picking.
29

Tali supposizioni verranno argomentate nella prossima sezione: Regressione Cross Sectional. 30 Citando Bortolotti et al. (2009, p.27): Taken together, the evidence of a positive market reaction followed by negative long-term performance is puzzling. 31 Si veda anche Johnson, La Porta, Lopez e Shleifer (2000).

19

C. Regressione Cross-sectional I risultati prodotti nellanalisi precedente risultano schiaccianti. In questa sezione si cercher di verificare la relazione tra gli abnormal returns nei giorni dellannuncio delle operazioni con alcune variabili. Lobiettivo quello di chiarire e mostrare le relazioni presenti nei fenomeni del breve termine per poi indirettamente analizzare il perch delle performance negative nel long-term horizon. Il metodo consister nel regredire pi volte gli abnormal returns trovati con il market model su variabili indipendenti diverse. Nel primo modello di indagine compiamo una regressione con un'unica variabile indipendente che chiamiamo Stake; come facile interpretare, lobiettivo cercare di capire se esiste una relazione non casuale tra lo short-term CAR e lentit della partecipazione detenuta dai SWFs. Sebbene il coefficiente associato a Stake sia positivo, losservazione del p-value ci segnala che non statisticamente significativo. Ripetiamo lo stesso tipo di modello ma usando come variabile dipendente solo i CAR positivi ed eliminando dal dataset lintervallo temporale coincidente con la crisi finanziaria del 200832. Tale scelta giustificata dal fatto che durante periodi borsistici con volatilit molto alta landamento dei prezzi azionari spesso erratico e profondamente inefficiente. Inoltre, lintervento dei SWFs durante il recente market turmoil stato spesso giustificato da aiuti di carattere puramente finanziario elargiti alle target partecipate. Non di meno, spesso tali investimenti avevano rilevante valore politico e reputazionale. In tal senso, i CAR osservati non sono assolutamente correlati allentit della partecipazione azionaria.

32

Lintervallo scelto per identificare limpatto maggiore avuto dalla recente crisi finanziaria sui mercati di borsa Giugno 2008 Luglio 2009.

20

Inoltre, la normalizzazione relativa alleliminazione dei CAR negativi risiede nel fatto che gli abnormal returns dovrebbero essere per definizione quantit positive; in questo senso, alternativamente lindagine relativa alla Stake perderebbe di senso. Loutput della regressione in questo caso da risultati confortanti; il coefficiente positivo e statisticamente consistente con una confidenza del 95%. Inoltre, lR squared33 risulta essere moderatamente alto attestandosi su un valore del 43% circa. Lindagine ripetuta nuovamente utilizzando i CAR positivi ma senza restrizioni temporali mostra un coefficiente positivo significativo con il 90% di confidenza. Per le analisi appena riportate si veda la Tavola 5. E evidente, dunque, che normalmente esiste un legame significativo e non statisticamente casuale tra lentit della partecipazione e labnormal return riconosciuto dal mercato nei giorni dellannuncio delloperazione. Il risultato appena prodotto non risulta essere banale; gli investitori reagiscono positivamente nel breve termine confidando in unabilit di stock picking superiore da parte dei SWFs, ma tendenzialmente penalizzano le target nel medio/lungo periodo e cio quando si accorgono di aver avuto un atteggiamento overoptimistic. Infatti, nel breve periodo i CAR sono sensibili alla quota di partecipazione (Stake) mentre tale correlazione sembra perdersi nel tempo. Inoltre, va ricordato come lallungamento dellintervallo temporale considerato sia con evidenza negativamente correlato alla over-performance delle target. Tali conclusioni escludono la convinzione secondo cui il motivo principale dei long-term CAR negativi risiedi nei fenomeni di tunneling che dovrebbero presentare una qualche forma di legame con la percentuale di possesso (Stake).
33

Si tratta del coefficiente di determinazione di una retta di regressione.

21

Ad ora, invece, non possiamo ancora escludere che i long-term CAR siano non correlati con un monitoring inefficace da parte dei SWFs. Il prossimo passo consiste nel compiere nuove regressioni crosssectional su quattro variabili diverse. La prima una variabile dummy che chiamiamo Home Country; assume un valore di zero se la transazione cross-border e uno diversamente. Il secondo fattore Efficient Market; assume un valore di uno se la target appartiene ad un mercato borsistico particolarmente liquido e profondo34 e zero nel caso contrario. Le altre due variabili sono il Truman Governance Index35 ed il Linaburg-Maduell Transparency Index36. Rappresentano entrambi, anche se rispondono ad esigenze diverse, un tentativo di valutare la credibilit e laffidabilit dei Fondi Sovrani. Dettagli sulla regressione sono mostrati in Tavola 6. Se come variabile dipendente utilizziamo i CMAR [-1,+1], i risultati non cambiano; non sono riportati per brevit. Un fenomeno interessante mostrato in Tavola 6 rappresentato dalla non significativit statistica dei coefficienti associati alle variabili relative alla trasparenza dei Fondi Sovrani. In questo senso, il mercato sembra non giustificare labnormal return con una eventuale capacit superiore di monitoring da poter esercitare sulla target; in qualche modo, infatti, il grado di trasparenza e affidabilit di un SWF dovrebbe essere fortemente correlato con la sua capacit di controllare il management della target e con la sua capacit di influenzare il mercato.

34

Nel nostro caso per mercato borsistico particolarmente liquido e profondo si intendono il New York Stock Exchange ed il London Stock Exchange. 35 Il Truman Governance Index fa parte del Total Truman Index ed stato sviluppato da Edwin Truman. Rappresenta un rating ai valori etici e allefficacia del modello di governance del SWF. 36 Il Linaburg-Maduell Transparency Index stato sviluppato dal Sovereign Wealth Fund Institute per opera di Carl Linaburg e Michael Maduell. Rappresenta un rating alla trasparenza dei Fondi Sovrani.

22

E importante ricordare che lo scopo di tale ricerca non quello di valutare le performance dei SWFs ma di capire se lintervento di questo tipo di investitori istituzionali crei valore o meno per le target partecipate ed i suoi shareholders. Il concetto di creazione di valore ben argomentato nel lavoro di Fernandez (2001) dove definito come correlato alla differenza tra lo Shareholder Return ed il rendimento che gli azionisti si aspettano. Lo shareholder return perfettamente approssimabile con il rendimento di prezzi azionari aggiustati per dividendi mentre il rendimento che gli azionisti si aspettano pu essere immaginato come il rendimento di un benchmark di riferimento. E facilmente intuibile,quindi, che gli abnormal returns rappresentano una proxy della value creation essendo costruiti esattamente con le specifiche appena descritte. Concludendo, i Fondi Sovrani bruciano valore nelle target partecipate nel medio/lungo periodo anche se il mercato riconosce un significativo abnormal return nei giorni dellannuncio, principalmente dovuto ad una fiducia in unabilit superiore di stock picking da parte dei SWFs. Tale fiducia, per, resta in media disattesa; i long-term abnormal return negativi non sembrano essere correlati ad un ruolo attivo o meno da parte dei SWFs, ma pi che altro, dimostrano di essere il frutto di reazioni psicologiche del mercato, che reagisce penalizzando pesantemente il titolo quando scopre di essere stato overoptimistic.

23

Test empirici e volatilit A. Fondi Sovrani e Volatilit Osservando i commenti della stampa mondiale ci si rende conto di come esistano due principali preoccupazioni riguardanti gli investimenti di tipo governativo: la sicurezza nazionale ed un rischio di destabilizzazione sistemica37. Recenti studi empirici tra cui Shleifer e Vishny (1986), McConnell e Servaes (1990), Chen, Harford e Li (2007), hanno evidenziato i benefici legati al monitoring da parte dei blockholders. Di contro, Borokhovich, Brunarski, Harman e Parrino (2006) trovano che tale fenomeno non si verifica con tutti i tipi di investitori istituzionali. Parte della letteratura38 sostiene che il possesso di pacchetti azionari sia inversamente proporzionale al grado di liquidit ed inoltre, positivamente correlato con il rischio idiosincratico della target. In questo contesto si inserisce lanalisi della presente sezione che si pone come obiettivo quello di analizzare leffetto che lintervento dei SWFs potrebbe avere sulla volatilit dei prezzi azionari delle target partecipate. Abbiamo visto nella sezione precedente come le target coinvolte in queste transazioni siano in media caratterizzate da un declino nelle performance azionarie; tuttavia, un giudizio completo sullimpatto dei SWFs sulla Value Creation non pu prescindere da una valutazione su un eventuale deterioramento della relazione rischio-rendimento. Ad esempio, performance di borsa peggiori, sia in termini assoluti, che in riferimento ad un benchmark, potrebbero ricercarsi in un profilo di rischio diverso dal passato e

37

Citando il New York Times: The fear is that these so-called sovereign wealth funds could destabilize markets or provoke a political backlash. 38 Heflin e Shaw (2000), Brockman e Yan (2009), Xu e Malkiel (2003).

24

quindi in una volatilit pi bassa; in tal caso, non certo scontato che si bruci valore. In questo capitolo, analizzeremo il profilo di rischio delle target attraverso misure di dispersione ed appositi ratio. Di seguito sar presentato un modello per indagare la event-induced volatility39. La Tavola 7 presenta una sintesi circa la deviazione standard dei rendimenti. La misura di variabilit stata calcolata su base giornaliera e a partire da rendimenti logaritmici giornalieri. In particolare, notiamo come la volatilit media calcolata sullintervallo pre-event [-250,-1] del 3,22%40. La mediana pi bassa ed il massimo si attesta sul valore di 8,92%41. Se consideriamo i tre intervalli temporali post-event, che sono rispettivamente [+1,+250], [+1,+750], [+1,+1250], ci accorgiamo che la volatilit tende a salire moderatamente, anche se i cambiamenti non sono rilevanti; il picco viene raggiunto nellintervallo [+1,+250], dove la volatilit media su 64 osservazioni di 3,65%. La Tavola 7 mostra anche loutput di un metodo di indagine chiamato Test of Equality42; in particolare, lobiettivo testare lipotesi nulla secondo la quale due serie di osservazioni hanno la stessa media. Linterpretazione della T Statistic ci rivela che la deviazione standard media pre-event statisticamente diversa solo se confrontata con quella dellintervallo [+1,+250]. Dunque, lacquisto da parte dei SWFs di partecipazioni azionarie non sembra generare effetti statisticamente rilevanti sul rischio totale delle target43.

39 40

Il termine event-induced volatility mutuato dal titolo del paper di Savickas (2003). Si consideri lintero campione (71 osservazioni). 41 In particolare, tale osservazione si riferisce alla transazione che vede come target Morgan Stanley, annunciata il 3 Giugno 2009. 42 Un test simile stato condotto da Clayton, Hartzell, Rosenberg (2003); si tratta di un report per la Federal Reserve Bank of New York da cui si preso spunto. In particolare il paper indaga leffetto dei CEO Turnovers sulla variabilit dei prezzi azionari delle imprese interessate. 43 In realt, unanalisi pi approfondita dovrebbe considerare il rischio idiosincratico della target. Tale implementazione sar presentata pi avanti contestualmente al volatility event study.

25

Ripercorrendo la metodologia utilizzata nel capitolo precedente, possiamo considerare il sub-sample composto esclusivamente dalle operazioni caratterizzate da pacchetti di controllo maggiori o uguali al 5%. Landamento della volatilit media nel tempo pressoch identico se paragonato con il campione precedente. Lunica differenza risiede nei valori, che in tutti e quattro gli intervalli considerati, sono pi alti. Il valore di volatilit massimo quello in corrispondenza dellintervallo [+1,+250] e si attesta su una media di 3,64%. Ancora una volta, non si rilevano differenze nelle medie che si dimostrino essere statisticamente rilevanti. Come gi detto precedentemente, le indicazioni sopra fornite sono di tipo introduttivo ma non risolutivo rispetto alleffetto dei SWFs. Un primo tentativo in questo senso mostrato in Figura 8; affinch sia chiara la relazione tra la volatilit delle target e quella dei loro rispettivi mercati di riferimento sono stati implementati dei semplici ratio. In particolare, le misure statistiche prevedono un rapporto tra due diverse daily standard deviation: rispettivamente quella delle target e quella dei benchmark locali. Ad esempio, per lintervallo [250,-1] avremo 71 osservazioni ed un valore medio del rapporto di 2,09. Il primo grafico mostrato evidenzia come tale rapporto si attesti sempre su un valore superiore al due, indipendentemente da quale intervallo temporale venga considerato. Tale fenomenologia era in parte prevedibile; infatti, ci la dimostrazione di come titoli azionari singoli, siano in media pi volatili di portafogli ben diversificati, come possono essere gli indici di mercato considerati. La verifica di ipotesi da esiti positivi circa la significativit delle medie aritmetiche in discussione. Infine, il rapporto pi alto quello che considera lintervallo [+1,+250] e si attesta su un valore di 2,16. In tale finestra di osservazioni, la volatilit della target aumenta sia in termini
26

assoluti, cos come era stato dimostrato nellanalisi precedente, che in termini relativi; la volatilit, quindi, aumenta pi che proporzionalmente rispetto al benchmark di mercato. Le target, dunque, evidenziano nel primo anno successivo allannuncio dellacquisto di una partecipazione da parte di un Sovereign Fund, un aumento della deviazione standard. Tale risultato coerente con lunica ricerca in materia condotta da Brockman e Yan (2008). Sebbene il paper si basi su un campione di partenza molto diverso da quello considerato in questa ricerca44, si evidenzia come la presenza di azionisti di controllo sia correlata positivamente con una minore opacit e quindi con un rischio idiosincratico maggiore45. Tuttavia, la presenza dei SWFs assume caratteri pi complessi rispetto a quella di un azionista di controllo generico, proprio a causa della sua controversa natura. Basti ricordare che le evidenze che si riscontrano nellintervallo [+1,+250] in merito alla volatilit, sono statisticamente rigettabili nelle altre finestre temporali. La prossima sezione cercher di approfondire lanalisi implementando un volatility event study apposito.

B. Volatility Event Study Diversi studi hanno analizzato limpatto di eventi societari sulla volatilit. Dodd e Ruback (1977), Bhagat, Brickley e Loewenstein (1987) hanno concentrato la loro attenzione sugli effetti delle acquisizioni cash; Mandelker (1974) e Vijh (1994) su fusioni e spin44

Ad esempio il periodo considerato va dal 1996 al 2001 ed inoltre non viene considerata la fattispecie specifica legata ai SWFs. 45 Citando Brockman e Yan (2008, p.316): Our empirical findings strongly support the hypothesis that block ownership has a significant impact on the firm-specific component of stock returns. After controlling for market-, industry- and firm-level variables, we find that the presence of blockholders increases the probability of informed trading and idiosyncratic volatility.

27

off, mentre Ohlson e Penman (1985) e Dubofsky (1991) hanno indagato gli split azionari. Altri autori si sono interessati a diversi tipi di annunci societari: Dann, Masulis e Mayers (1991) e Bartov (1991) ai buy-back azionari, Jayaraman e Shastri (1993) alle distribuzioni di dividendi, cos come Cornell (1978) agli earnings announcements. Un altro studio interessante condotto da Donders e Vorst (1996), utilizza un approccio elegante per analizzare gli effetti sulla volatilit; il metodo usufruisce delle volatilit implicite per condurre levent study. Tuttavia, tale approccio non pu essere implementato nel nostro lavoro a causa della massiccia presenza nel database di target quotate in mercati emergenti, spesso poco liquidi e quasi sempre senza altri strumenti finanziari quotati che siano diversi dalle azioni. Lanalisi della letteratura sui volatility event study stata molto pi di un approfondimento. Infatti, ad ora, non esistono studi effettivamente comparabili che analizzino le conseguenze sulla volatilit di annunci di operazioni condotte da un Fondo Sovrano. Sebbene, tale situazione dia uno spirito ed un sapore diverso alla ricerca, ne aumenta in modo decisivo la complessit. Lapproccio che sembrato pi consistente con i nostri obiettivi rappresentato da Dubofsky (1991). Tale metodo, permette di tenere in conto la volatilit storica dellazione e, allo stesso tempo, consente il confronto con diversi indici di mercato. Inoltre, non vengono tralasciate neanche le volatilit storiche degli eventuali benchmark utilizzati. E possibile contestualmente soddisfare due diverse esigenze: la coerenza con lapproccio utilizzato per calcolare gli abnormal returns e la necessit di generare una misura di volatilit clean, che non dipendi dalle oscillazioni del mercato. In questo senso, possiamo certamente parlare di rischio specifico della target e quindi di volatilit idiosincratica.
28

Il modello prevede luso di una regressione statistica simile a quella utilizzata nel gi citato lavoro di Dubofsky (1991); la variabile dipendente rappresentata dal logaritmo naturale del rapporto tra la deviazione standard pre-event e la deviazione standard post-event della i-esima target46. La finestra temporale pre-event rappresentata da un anno di osservazioni per mitigare eventuali rumours precedenti allannuncio e per non vanificare la verifica circa la persistenza di eventuali cambiamenti di volatilit47. La variabile dipendente sar, dunque, descritta da due regressori: il logaritmo naturale del volatility ratio relativo al mercato locale di riferimento ed il logaritmo naturale del volatility ratio relativo allindice finanziario gi utilizzato precedentemente48. Il modello, quindi, pu essere sintetizzato come segue:

& & & i [ ,t ] # 1 iL [ ,t ] # 1 iF [ ,t ] # 1 ! = t + ) Lt ( ln$ ! + ) Ft ln$ ln$ $ [' 1, ' 250]! $ [' 1, ' 250]! $ [' 1, ' 250]! + t ! % i " % iL " % iF "

Ogni volatility ratio pu essere visto come un vettore colonna in cui ogni riga corrisponde al rapporto relativo alla i-esima target. La variabile i rappresenta la deviazione standard della target i, iL la deviazione standard del mercato locale di riferimento della iesima target e iF la volatilit del benchmark finanziario calcolata nella finestra di osservazioni relative alla data di annuncio della target considerata. La variabile t pu assumere rispettivamente il valore di 250, 750 o 1250. Conseguentemente, saranno necessarie tre regressioni
46 47

Si tratta del volatility ratio. Un anno corrisponde a circa 250 osservazioni. Tale scelta frutto del trade-off tra la necessit di utilizzare quante pi osservazioni possibili nel tempo e la necessit di includere quante pi imprese nel campione utilizzato. Infatti, non tutte le target dispongono di pi di 250 osservazioni precedenti alla data di annuncio. 48 Tale indice stato gi utilizzato come benchmark di settore nel paragrafo precedente Rendimenti nel Periodo di Annuncio. Si tratta dello S&P Global Financials Sector Index.

29

affinch si possano stimare i coefficienti relativi a questi tre intervalli temporali. Proprio lalpha e cio, lexcess value, rappresenter lincremento o il decremento medio di volatilit dalla data di annuncio fino alla soglia considerata e cio a 250, 750 e 1250 giorni. Implementando il modello attraverso una regressione OLS49 stata posta lattenzione su una eventuale heteroskedasticity. Con tale termine si intende il fenomeno secondo cui la varianza dei residui della regressione vari in corrispondenza delle diverse osservazioni campionarie. Questa fattispecie viola le ipotesi della classica regressione ed in tal senso pu inficiare la stima degli errori standard dei coefficienti. Dopo aver condotto, dunque, il White Eteroschedasticity Test abbiamo potuto rifiutare lipotesi nulla circa la non presenza del fenomeno in questione. Le tre regressioni sono state, quindi, implementate secondo il metodo di White (1980) per ottenere livelli corretti di significativit nella stima dei parametri e t-statistic robuste50. Loutput finale ed una descrizione ulteriore della regressione mostrata in Tavola 8. La regressione sintetizzata dalla colonna (1) evidenzia come la costante sia positiva; il suo valore di 2,17%. Ci significa che nei primi 250 giorni che hanno succeduto lannuncio, la volatilit specifica della target cresciuta nellordine della percentuale appena citata. Tale fattispecie richiama i risultati gi discussi nella sezione precedente e pi chiaramente sottolinea levidenza secondo cui il rischio specifico della target aumenta nellanno successivo allannuncio della transazione con il SWF. Sebbene tali argomentazioni siano credibili necessaria cautela in quanto il coefficiente alpha non statisticamente significativo.
49 50

Ordinary Least Squares. Heteroskedasticity Consistent Covariances di White (1980).

30

La seconda colonna della Tavola 8 mostra un excess value negativo; nei 750 giorni che succedono loperazione con un Sovereign Wealth Fund, la volatilit della target diminuisce in media del 12%. Il delta, in questo caso moderatamente grande, assume una dimensione molto significativa; inoltre il parametro diverso da zero con una confidenza del 90%. La terza colonna, infine, evidenzia una regressione valida nella sua interpretazione sui 5 anni di osservazioni che succedono lannuncio della transazione con il Sovereign Wealth Fund. In questo caso, la costante della regressione negativa e significativa con una confidenza del 95%; il suo valore di 17,58%. La discesa della volatilit idiosincratica, dunque, sembra essere rilevante e robusta nel medio/lungo periodo. Uno studio che si fosse basato esclusivamente su un orizzonte di breve periodo avrebbe riscontrato conseguenze irrilevanti sulla deviazione standard delle target; questa analisi, invece, rivela come lintervento di un Fondo Sovrano ha un effetto calmierante in termini di rischio idiosincratico, che diminuisce con laumentare dellintervallo temporale dalla data di annuncio. Tale fenomeno, cos come argomentato da altri autori51, potrebbe essere dovuto ad una minore disclosure pubblica che coinvolgerebbe le target dei SWFs.

51

Da Knill, Lee, Mauck (2010, p.4): The decomposition also find that idiosyncratic risk decreases following SWF investment, which is consistent with the notion that there is a weaker information environment for the firm following SWF investment.

31

Appraisal Ratio Approach I dati elaborati permettono unanalisi ulteriore circa limpatto che lintervento dei SWFs ha sullappetibilit delle target in termini di rapporto rischio-rendimento. La misura comunemente nota come Appraisal Ratio, elaborata nel paper di Treynor e Black (1973) come generalizzazione del pi noto Sharpe Ratio, permette di verificare eventuali cambiamenti nel modo in cui viene compensato il rischio che sopportano gli investitori delle target. Tale passo risulta importante per capire il fenomeno dei SWFs dato che, per quanto chiare, le conclusioni circa il loro effetto non sono univoche. La misura che verr utilizzata, normalmente applicata nellAsset Management per la valutazione dei Fondi di Investimento, non altro che il rapporto tra lexcess return o alpha di Jensen e la volatilit. Nel nostro caso, quindi, consister nel rapporto tra labnormal return e la deviazione standard, rispettivamente per gli intervalli costituiti da 250, 750 e 1250 giorni successivi alla data di annuncio52. Possiamo sintetizzare il ratio come di seguito: Appraisal Ratio [ +1,+t ] = CMAR [ +1,+t ] / [ +1,+t ] Il Cumulative Market Adjusted Return che utilizzeremo sar la media dei CMAR di tutte le target disponibili in un determinato intervallo temporale53. La volatilit, invece, sar la media tra tutte le deviazioni standard delle target, calcolate su base giornaliera per la finestra considerata54.

52

Un approccio computazionale molto simile stato utilizzato nel lavoro di Hooper, Sim e Uppal (2005). 53 I dati sono gi stati calcolati e sono presenti in Tavola 4. 54 I dati sono gi disponibili nella Tavola 7.

32

Loutput disponibile in Tavola 9 e ci mostra come l Appraisal Ratio sia in tutti e tre i casi negativo. Questa circostanza dimostra come le target non siano efficienti in termini di rapporto rischiorendimento successivamente alla transazione con il SWF. Inoltre, sebbene il rapporto migliori sensibilmente nellintervallo [+1,+750], inesorabilmente piomba ad un livello peggiore di quello evidenziato nella prima finestra temporale. E abbastanza evidente che lintervento dei Sovereign Wealth Funds sia per lo meno destabilizzante per le target partecipate, specialmente se la sua presenza si dimostra essere prolungata.

Conclusioni Il lavoro fin qui elaborato ha cercato di colmare il vuoto della letteratura circa limpatto dei Sovereign Wealth Funds su target appartenenti allarea di business Banking & Finance. Tale scelta stata motivata dalla storia degli investimenti dei Fondi Sovrani. Infatti, una parte preponderante delle loro risorse stata dedicata al settore finanziario; inoltre, tale fenomeno stato ancor di pi al centro dellattenzione durante il recente market turmoil. Lindagine ha concentrato lattenzione sugli effetti che tali operazioni hanno avuto sui prezzi azionari e sulla volatilit delle target, sia nel breve che nel medio/lungo periodo. Le elaborazioni proposte hanno dimostrato come il mercato riconosca un abnormal return positivo nei giorni intorno allannuncio delloperazione. Tuttavia, nel medio/lungo periodo e quindi rispettivamente nei 250, 750 e 1250 giorni successivi alla transazione, i sovra-rendimenti sono tutti negativi. Altri approfondimenti hanno permesso di giungere alla conclusione secondo cui il mercato inizialmente attribuisce al SWF unabilit superiore di stock picking che per resta in media disattesa.
33

Leffetto una penalizzazione della target nel momento in cui il mercato riconosce di essere stato overoptimistic. Anche limpatto sulla volatilit non univoco. Nei primi 250 giorni il rischio idiosincratico non ha movimenti statisticamente significativi rispetto alla volatilit pre-event, mentre nei 2 intervalli successivi decresce con un ritmo incrementale. Tale effetto senzaltro dimostra la presenza di una correlazione positiva tra la durata dellinsediamento del Fondo Sovrano e la diminuzione del rischio specifico della target. Secondo alcuni studi empirici55 il fenomeno dovuto ad una maggiore opacit delle target. Infine, lutilizzo dellAppraisal Ratio ci dimostra come landamento della volatilit non sia in grado di compensare i rendimenti insoddisfacenti e anzi deteriori la situazione in termini di efficienza rischio-rendimento, rivelando un evidente effetto destabilizzante.

55

In particolare si veda Knill, Lee, Mauck (2010).

34

APPENDICE

35

Figura 1. Breakdown SWFs per Regione

Il seguente grafico mostra come si distribuisce il fenomeno dei Sovereign Wealth Funds nel mondo. Sebbene ci sia una netta prevalenza di Asia e Middle East, che insieme raggiungono circa il 75%, da notare come recentemente la presenza di questi investitori si stia allargando ad altre aree del globo; basti pensare per esempio al Sovereign Fund of Brazil (Brasile) lanciato nel 2009 o allo Strategic Investment Fund (Francia) lanciato nellanno precedente.

I dati sono aggiornati al Dicembre 2009.

36

Figura 2. Capitalizzazione di Mercato dei SWFs

Il grafico qui riportato, evidenzia landamento trimestrale della capitalizzazione di mercato dei Sovereign Wealth Funds. Attualmente, i dati ci dicono che i SWFs si trovano gi sopra il livello di capitalizzazione degli anni 2008 e 2009, colpiti duramente dalla crisi finanziaria. La capitalizzazione di mercato riflette la disclosure ufficiale, la creazione del Fondo, lattivit di investimento, iniezioni di capitale e altre variabili. I dati sono in miliardi di $.

37

Figura 3. Valore degli Investimenti Sovrani per Settore della Target

Il seguente grafico mostra come il 75% circa delle risorse dei SWFs sia stato destinato al settore finanziario nel 2008. In particolare, il volume delle operazioni stato preponderante nel primo trimestre dellanno. La fonte del grafico rappresentata dal Monitor-FEEM SWF Transactions Database.

38

Figura 4. Breakdown Numero di Operazioni per Settore

Il seguente grafico mostra come la maggior parte delle operazioni condotte dai Fondi Sovrani di Investimento nellarea Banking & Finance, abbiano interessato principalmente il settore bancario. In particolare, 60 operazioni su 71 censite vedono come target una banca, 6 hanno per oggetto entit che si occupano di servizi finanziari, 4 transazioni per il Private Equity ed una sola per il settore assicurativo.

Per Banca si intende unazienda di produzione che opera nel campo del credito, raccogliendo risorse finanziarie presso il pubblico ed erogandole a titolo di credito.

39

Figura 5. Distribuzione [-1,+1] Cumulative Abnormal Return

La figura seguente rappresenta la distribuzione empirica dei Cumulative Abnormal Return calcolati sullintervallo temporale di [-1,+1] rispetto allannuncio delloperazione del SWF. In questo caso gli AR sono stati calcolati con il market model. La statistica di Jarque-Bera ci dice che non possibile rifiutare lipotesi nulla (H0) secondo cui la serie di dati si distribuisce come una Normale di Gauss.

40

Figura 6. Distribuzione [-1,+1] Cumulative Market Abnormal Return

La figura seguente rappresenta la distribuzione empirica dei Cumulative Market Abnormal Return calcolati sullintervallo temporale di [-1,+1] rispetto allannuncio delloperazione del SWF. La mediana ha un valore pi basso se comparato alla media. Inoltre, attraverso la statistica Jarque-Bera possiamo rifiutare lipotesi di normalit.

41

Figura 7. Long Term Mean Abnormal Return Pattern

Il seguente grafico mostra landamento medio dellabnormal return rispettivamente per gli intervalli temporali [2,250], [2,750] e [2,1250] e calcolati sia con il metodo Buy and Hold che con il Cumulative Market Abnormal Return. Gli andamenti nel tempo sono speculari. La sigla FS individua lintero campione; MS, invece, richiama il sub-sample comprendente esclusivamente le transazioni con partecipazioni maggiori o uguali al 5%.

42

Figura 8. Firm to Local Market Volatility Ratio

I grafici riportati presentano unanalisi del rapporto firm volatility to local market volatility. In particolare, le deviazioni standard sono state calcolate su base giornaliera e mostrano come il rapporto presentato si muovi nel tempo. Il primo output (cilindri raggruppati) confronta le medie dei rapporti per intervallo di osservazioni. Di seguito, sono presentate le distribuzioni empiriche dei ratio calcolati sui diversi intervalli temporali.

43

.Tavola 1. Lista Sovereign Wealth Funds

Tale tabella riporta una lista dei pi importanti Fondi Sovrani al mondo. E stata costruita attraverso i compendi ed i rankings del Sovereign Wealth Fund Institute e altre fonti ufficiali. Sono incluse anche controllate specializzate in investimenti finanziari.
Country UAE Ab Dh b u ai No rwa y Sa d Ara ia ui b Ch a in Ch a in Fund Na me Ab Dh b In stme t Au o u a i ve n th rity G ve me t Pe sio Fu d G b l o rn n n n n lo a SAM Fo ig Ho in s A re n ld g SAFE In stme t Co ve n mp n ay Ch a In stme t Co o tio in ve n rp ra n G ve me t o Sin a o In stme t o rn n f g p re ve n Co o tio rp ra n Sin a o g p re Ho g Ko g M n ta Au o n n o e ry th rity In stme t Po lio ve n rtfo Ch a Ho g Ko g in n n Ku it wa Ku it In stme t Au o wa ve n th rity Ch a in Na n l So l Se rity Fu d tio a cia cu n Ru ssia Na n l We re Fu d tio a lfa n Sin a o g p re Te ma k Ho in s se ld g Qa r ta Qa r In stme t Au o ta ve n th rity L ya ib L ya In stme t Au o ib n ve n th rity Au stra lia Au stra n Fu re Fu d lia tu n Alg ria e Re n e Re u tio Fu d ve u g la n n Ka kh n za sta Ka kh n Na n l Fu d za sta tio a n US Ala ska Ala ska Pe rma e t Fu d nn n Ire n la d Na n l Pe sio s Re rve Fu d tio a n n se n So th Ko a u re Ko a In stme t Co o tio re ve n rp ra n Bru e ni Bru e In stme t Ag n n i ve n e cy Fra ce n Stra g In stme t Fu d te ic ve n n M la a ysia Kh za a Na n l a nh sio a Ira n Oil Sta ilisa n Fu d b tio n Ch ile So l a d Eco o cia n n mic Sta iliza n Fu d b tio n UAE Du a bi In stme t Co o tio o Du a ve n rp ra n f bi Aze a n rb ija Sta Oil Fu d te n In rn tio a Pe le m In stme t te a n l tro u ve n UAE Ab Dh b u ai Co mp n ay Ca a a nd Alb rta He g Fu d e s rita e n UAE Ab Dh b u ai M b d la De lo me t Co uaa ve p n mp n ay US Ne M xico w e Ne M xico Sta In stme t Co n w e te ve n u cil Ne Z a n w e la d Ne Z a n Su e n u tio Fu d w e la d p ra n a n n Ba ra h in M mta ka Ho in Co u la t ld g mp n ay Bra zil So re n Fu d o Bra ve ig n f zil Oma n Sta G n ra Re rve Fu d te e e l se n Bo tswa a n Pu Fu d la n Sa d Ara ia ui b Pu lic In stme t Fu d b ve n n Ch a in Ch a in -Africa De lo me t Fu d ve p n n Ea Timo st r Timo e r-L ste Pe le m Fu d tro u n US Wyo min g Pe rma e t Wyo nn min M e l Tru Fu d g in ra st n Trin a & To a o id d bg He g a d Sta iliza n Fu d rita e n b tio n UAE Ra Al Kh ima RAK In stme t Au o s a h ve n th rity Ve e e n zu la FEM Vie a tn m Sta Ca ita In stme t Co o tio te p l ve n rp ra n Nig ria e Exce Cru e Acco n ss d ut Kirib ti a Re n e Eq a ve u u liza n Re rve Fu d tio se n In o e d n sia G ve me t In stme t Un o rn n ve n it Mu n a rita ia Na n l Fu d fo Hyd ca o Re rve tio a n r ro rb n se s UAE Fe e l d ra Emira s In stme t Au o te ve n th rity Oma n Oma In stme t Fu d n ve n n UAE Ab Dh b u ai Ab Dh b In stme t Co n u a i ve n u cil L ia yb Aa a In stme ts b r ve n L ia yb Ce tra Ba k o L ia n l n f yb Sin a o g p re Do r In stme ts ve ve n UAE - Du a bi DIFC In stme ts ve n UAE - Du a bi Du a In rn tio a Ca ita L C b i te a n l p l L UAE - Du a bi Bo rse Du a bi Sin a o g p re Asia Fin n l Ho in s a cia ld g Ch a in Ch a De lo me t Ba k in ve p n n Tota Oil & Ga Rela l s ted As ets $ Billion s $2 67 $1 52 $1 45 $ 4 .1 3 7 ** $ 3 .4 32 $ 4 .5 27 $ 2 .6 27 $ 0 .8 22 $ 4 .5 16 $ 4 .5 12 * $3 13 $5 8 $0 7 $9 5 .1 $6 5 .7 $8 3 $5 3 .5 $3 3 $0 3 .3 $0 3 $8 2 $5 2 $3 2 $1 2 .8 $9 1 .6 $8 1 .1 $4 1 $3 1 .8 $3 1 .3 $2 1 .9 $2 1 .1 $ .1 9 $ .6 8 $ .2 8 $ .9 6 $ .3 5 $ .0 5 $ .3 6 $ .6 3 $ .9 2 $ .2 1 $ .8 0 $ .5 0 $ .5 0 $ .4 0 $ .3 0 $ .3 0 X X X X X X X X X X X $30 2 5 .9 Tota Other l TOTAL Inc eption 17 96 19 90 n /a 19 97 20 07 Origin Oil Oil Oil No -Co n mmo ity d No -Co n mmo ity d Lina burg-Ma duell Tra pa ns renc y 3 1 0 2 2 6 6 8 6 5 5 1 0 5 2 9 1 6 1 0 1 0 9 1 nw e 4 1 1 0 4 1 0 n /a 9 1 0 9 1 0 8 nw e 1 1 3 4 6 9 5 3 1 4 1 1 X 1 2 n /a X X X X X X X X X

18 9 1 No -Co n mmo ity d 19 93 15 93 20 00 20 08 17 94 20 05 20 06 20 04 20 00 20 00 17 96 20 01 20 05 18 93 20 08 19 93 19 99 18 95 20 06 19 99 No -Co n mmo ity d Oil No -co n mmo ity d Oil No -Co n mmo ity d Oil Oil No -Co n mmo ity d Oil Oil Oil No -Co n mmo ity d No -Co n mmo ity d Oil No -Co n mmo ity d No -Co n mmo ity d Oil Co p r pe Oil Oil

18 9 4 Oil 17 9 6 Oil 20 0 2 Oil 15 9 8 No -Co n mmo ity d 20 0 3 No -Co n mmo ity d 20 0 6 Oil 20 0 9 No -co n mmo ity d 18 9 0 Oil & G s a 19 9 4 Dia mo d & M e ls ns in ra 20 0 8 Oil 20 0 7 No -Co n mmo ity d 20 0 5 Oil & G s a 17 9 4 M e ls in ra 20 0 0 Oil 20 0 5 Oil 19 9 8 Oil 20 0 6 No -Co n mmo ity d 20 0 4 Oil 15 9 6 Ph sp a s o h te 20 0 6 No -co n mmo ity d 20 0 6 Oil & G s a 20 0 7 Oil 20 0 6 Oil 20 0 7 Oil 20 0 5 Oil 15 9 6 Oil X No -Co n mmo ity d 20 0 4 Oil 20 0 4 Oil 20 0 7 Oil X No -Co n mmo ity d 19 9 4 No -co n mmo ity d $61 1 8 .6 $02 4 3 .5

Questo include lOil Stabilization Fund della Russia. Questo numero stato stimato.

44

Tavola 2. Transactions Database

La seguente tavola mostra il dataset finale nel quale sono elencate in ordine cronologico per data di annuncio le 71 transazioni considerate. Oltre ad indicare la a T data del primo rumour, quella dellannuncio e quella in cui stata conclusa loperazione, viene evidenziata anche larea di business finanziaria a cui appartiene a la target. Nella penultima colonna mostrata lentit della partecipazione azionaria.

45

Tavola 2. Transactions Database / Segue

46

Tavola 2. Transactions Database / Segue

47

Tavola 3. Short Term Abnormal Return Stats

La seguente tabella evidenzia i valori campionari principali sia per il Cumulative Abnormal Return che per il Cumulative Market Abnormal Return. Le medie raddoppiano quando il campione considerato quello dalle partecipazioni maggiori o uguali al 5%.

48

Tavola 4. Long Term Abnormal Return Stats

La tabella riportata riassume media e deviazione standard degli abnormal returns calcolati su intervalli temporali differenti e sia con il metodo Buy and Hold che Cumulative Market Abnormal Return. In grigio i p-value associati alle medie, dove *** indica rilevanza statistica con il 99% di confidenza, ** 95% e * 90%.

Horizon Full Investment Sample CMAR Observations Mean St.Dev. BHAR Observations Mean St.Dev. Stake ! 5% Sample CMAR Observations Mean St.Dev. BHAR Observations Mean St.Dev.

[2,250]

[2,750]

[2,1250]

64 -0,180711 0,001*** 0,416972

27 -0,013480 0,885 0,480662

17 -0,179271 0,194 0,545607

64 -0,175754 0,0001*** 0,328701

27 -0,017829 0,868 0,551881

17 -0,581628 0,006** 0,758677

31 -0,170285 0,036** 0,432316

16 0,071630 0,556 0,475890

11 -0,246901 0,21 0,611170

31 -0,171561 0,0153** 0,371221

16 -0,090869 0,481 0,503453

11 -0,732533 0,014** 0,814500

49

Tavola 5. Stake Cross-Sectional Regression

La presente tabella descrive loutput della regressione cross-sectional con variabile dipendente caratterizzata dai Cumulative Abnormal Return (CAR) sullintervallo temporale [-1,+1]. La prima colonna si riferisce al campione intero, la seconda considera solo gli abnormal returns positivi, mentre la terza prende in considerazione solo i CAR positivi e che si siano verificati in un periodo diverso dal recente Market Turmoil. In grigio i p-value associati alle medie, dove *** indica rilevanza statistica con il 99% di confidenza, ** 95% e * 90%.

Full Sample Constant -0,004 0,73 0,109 0,23 66 0,022

Positive Sample Modified Sample 0,041 0,001** 0,156 0,07* 35 0,093 0,022 0,09* 0,344 0,001** 22 0,427

Stake

Observations R Squared

50

Tavola 6. Cross-Sectional Analysis

La presente tabella descrive loutput della regressione cross-sectional con variabile dipendente caratterizzata dai Cumulative Abnormal Return (CAR) sullintervallo temporale [-1,+1]. In grigio i p-value associati alle medie, dove *** indica rilevanza statistica con il 99% di confidenza, ** 95% e * 90%.

CAR [-1,+1] as Dependent Variable Home Country -0,0297 0,09* 0,0297 0,09* -0,0034 0,31 -0,002 0,83

Efficient Market

Linaburg-Maduell

T ruman Governance

Constant Observations R Squared

0,015 0,13 71 0,04

-0,004 0,67 71 0,04

0,026 0,29 63 0,02

0,002 0,85 55 0,0008

51

Tavola 7. Standard Deviations of Returns

Loutput sottostante sintetizza e mette in risalto una serie di misure statistiche riguardanti le deviazioni standard dei rendimenti, sia per il sample riguardante le transazioni con partecipazioni maggiori o uguali al 5%, che per tutto il campione. E implementato un test per verificare se le differenze tra le diverse medie siano statisticamente significative. Ad esempio, la prima colonna mostra la T Statistic riguardante la differenza tra la media calcolata sullintervallo pre-event e quella post-event sull intervallo [+1,+250]. Gli asterischi associati al test indicano la significativit statistica secondo luso gi chiarito nelle tavole precedenti.

Variable Pre-event Standard Deviation of Firm Returns [-250, -1] Full Sample Stake ! 5% Sample

Observations

Mean

Median

Standard Deviation

Minimum

Maximum

71 35

3,221% 3,446%

3,026% 3,210%

1,577% 1,573%

0,816% 1,402%

8,924% 7,486%

Post-event Standard Deviation of Firms Returns [+1, +250] Full Sample Stake ! 5% Sample

64 30

3,645% 3,638%

3,156% 3,243%

2,038% 1,898%

0,801% 1,034%

8,172% 8,172%

Post-event Standard Deviation of Firms Returns [+1, +750] Full Sample Stake ! 5% Sample

27 16

2,955% 3,029%

2,772% 3,134%

1,180% 1,069%

0,835% 0,835%

5,330% 4,868%

Post-event Standard Deviation of Firms Returns [+1, +1250] Full Sample Stake ! 5% Sample

17 11

3,199% 3,423%

3,073% 3,157%

1,140% 1,309%

1,790% 1,790%

5,588% 5,588%

Variable Test of Mean Equality between Pre- and Post-Event Sample Full Sample Stake ! 5% Sample

T Test +250

T Test +750

T Test +1250

1,70* 1,06

1,33 0,1

0,41 0,001

52

Tavola 8. Induced Announcement Volatility Analysis

La tabella sottostante presenta le regressioni dei cambiamenti di volatilit delle target intorno alla data di annuncio di bid da parte di un Sovereign Wealth Fund. Le variabili dipendenti sono rappresentate dai logaritmi naturali dei rapporti tra la volatilit post-event e la volatilit pre-event, calcolati su diversi intervalli temporali successivi alla data di annuncio. La colonna (1) usa i 250 giorni successivi allannuncio delloperazione mentre la (2) e la (3) sono applicate rispettivamente ai 750 e 1250 giorni seguenti. I regressori, invece, sono volatility ratio calcolati usando le volatilit rispettivamente del mercato do riferimento e del benchmark finanziario. In grigio sono presentate le T-Statistic robuste calcolate utilizzando il metodo di White (1980). Gli asterischi segnalano i livelli di significativit secondo le precedenti consuetudini.

Dependent Variable

Ln (Volatility [+1,+250] / Volatility [-250, -1]) (1)

Ln (Volatility [+1,+750] / Volatility [-250, -1]) (2)

Ln (Volatility [+1,+1250] / Volatility [-250, -1]) (3)

Constant

0,021684 0,493

-0,120063* -1,987

-0,175776** -3,987

Ln (Market Volatility [+1,+250] / Market Volatility [-250, -1])

0,390389*** 4,068

Ln (Market Volatility [+1,+750] / Market Volatility [-250, -1])

0,033548 0,23

Ln (Market Volatility [+1,+1250] / Market Volatility [-250, -1])

0,212231*** 5,194

Ln (Fin. Bench. Volatility [+1,+250] / Fin. Bench. Volatility [-250, -1])

0,708072*** 6,803

Ln (Fin. Bench. Volatility [+1,+750] / Fin. Bench. Volatility [-250, -1])

1,051988*** 4,971

Ln (Fin. Bench. Volatility [+1,+1250] / Fin. Bench. Volatility [-250, -1])

0,676112** 3,727

R Squared Observations

0,7185 64

0,5118 27

0,6593 17

53

Tavola 9. Appraisal Ratio

La tabella sottostante presenta i risultati circa lanalisi dellAppraisal Ratio. La misura consiste nel rapporto tra labnormal return e la deviazione standard rispettivamente per gli intervalli costituiti da 250, 750 e 1250 giorni successivi alla data di annuncio.

Horizon Cumulative Market Adjusted Return Post-Event Standard Deviation

[+1,+250] -0,1807 0,0365

[+1,+750] -0,0135 0,0296

[+1,+1250] -0,1793 0,032

Appraisal Ratio

-4,951

-0,456

-5,603

54

BIBLIOGRAFIA

55

Allen, M. e Caruana, J. (2008). Sovereign Wealth Funds: a Work Agenda. International Monetary Fund. Balding, C. (2009). Framing Sovereign Funds: What We Know and Need to Know. Working Paper. HSBC School of Business. Bartov, E. (1991). Open-Market Stock Repurchases as Signals of Earnings and Risk Changes. Journal of Accounting and Economics, 14, 275-294. Beck, R. e Fidora, M. (2008). The Impact of Sovereign Wealth Funds on Financial Markets. Working Paper. European Central Bank. Bhagat, S., Brickley, J. e Loewenstein, U. (1987). The Pricing Effect of Interfirm Cash Tender Offers. Journal of Finance, 42, 965986. Borokhovich, K., Brunarsky, K., Harman, Y. e Parrino, R. (2006). Variation in the Monitoring Incentives of Outside Stockholders. Journal of Law and Economics, 49, 651-680. Bortolotti, B., Fotak, V., Megginson, W. e Miracky, W. (2009). Sovereign Wealth Fund Investments Patterns and Performance. Working Paper. Fondazione Eni Enrico Mattei. Brockman, P. e Yan, X. (2009). Block Ownership and Firm-Specific Information. Journal of Banking and Finance, 33, 308-316. Chen, X., Harford, J. e Li, K. (2007). Monitoring: Which Institutions Matter? Journal of Financial Economics, 86, 279-305. Clayton, M.J., Hartzell, J.C. e Rosenberg, J.V. (2003). The Impact of CEO Turnover on Equity Volatility. Working Paper. Federal Reserve Bank of New York Staff Reports. Corden, W.M. e Neary (1982). Booming Sector and Deindustrialisation in a Small Open Economy. The Economic Journal, 92, 829-831.
56

Cornell, B. (1978). Using the Options Pricing Model to Measure the Uncertainty Producing Effect of Major Announcements. Financial Management, 7, 54-59. Cowan, A.R. e Sergeant, A.M.A. (1996). Trading Frequency and Event Study Test Specification. Journal of Banking and Finance. Dann, L., Masulis, R. e Mayers, D. (1991). Repurchase Tender Offers and Earnings Information. Journal of Accounting and Economics, 14, 217-252. Dewenter, K.L., Han, X. e Malatesta, P.H. (2009). Firm Values and Sovereign Wealth Fund Investments. University of Washington, US, Journal of Financial Economics (forthcoming). Dodd, P. e Ruback, R. (1977). Tender Offers and Stockholders Returns. Journal of Financial Economics, 5, 351-373. Donders, M.W.M. e Vorst, T.C.F. (1996). The Impact of Firm Specific News on Implied Volatilities. Journal of Banking and Finance, 20, 1447-1461. Dubofsky, D. (1991). Volatility Increases Subsequent to NYSE and AMEX Stock Splits. Journal of Finance, 46, 421-431. Fama, E., Jensen, M., Fisher, L. e Roll, R. (1969). The Adjustment of Stock Prices to New Information. International Economic Review, 10, Febbraio 1969. Fernandez, P. (2001). A Definition of Shareholder Value Creation. Working Paper. IESE Business School. Heflin, F. e Shaw, K.W. (2000). Blockholder Ownership and Market Liquidity. Journal of Financial and Quantitative Analysis, 35(4), 621-633. Jayaraman, N. e Shastri, K. (1993). The Effects of the Announcements of Dividend Increases on Stock Volatility: The
57

Evidence from the Options Market. Journal of Business Accounting and Finance, 20, 673-685.

Johnson, S., La Porta, R., Lopez de Silanes, F. e Shleifer, A. (2000). Tunneling. The American Economic Review, 90(2), 22-27. Knill, A., Lee, B.S. e Mauck, N. (2010). Is Sovereign Wealth Fund Investment Destabilizing? Working Paper. Florida State University, Korea Advanced Institute of Science and Technology. Kotter, J. e Lel, U. (2010). Friends or Foes? Target Selection Decisions of Sovereign Wealth Funds and Their Consequences. Working Paper. Journal of Financial Economics (forthcoming). Lyons, G. (2007). State Capitalism: The Rise of Sovereign Wealth Funds. Working Paper. Standard Chartered. Mandelker, G. (1974). Risk and Return: The Case of Merging Firms. Journal of Financial Economics, 14, 237-250. McConnell, J.J. e Servaes, H. (1990). Additional Evidence on Equity Ownership and Corporate Value. Journal of Financial Economics, 27, 595-612. Meulbroeck, L.K. (1992). An Empirical Analysis of Illegal Insider Trading. Journal of Finance, 47: 1661-1699. Ohlson, J.A. e Penman, S.H. (1985). Volatility Increases Subsequent to Stock Splits: An Empirical Aberration. Journal of Financial Economics, 14, 251-266. Rozanov, A. (2005). Who Holds the Wealth of Nations? Central Banking Journal, 15(4). Sanger, G. e McConnell, J. (1986). Stock Exchange Listings, Firm Value, and Security Market Efficiency: The Impact of NASDAQ. Journal of Financial and Quantitative Analysis, 21, 1-25. Savickas, R. (2003). Event-Induced Volatility and Tests for Abnormal Performance. Journal of Financial Research.
58

Serra, A.P. (2002). Event Study Tests. Working Paper. FEP.

Shleifer, A. e Vishny, R.W. (1986). Large Shareholders and Corporate Control. Journal of Political Economy. University of Chicago Press, 94(3), 461-488. Sojli, E. e Tham, W.W. (2010). The Impact of Foreign Government Investments on Corporate Performance: Evidence from the U.S.. Working Paper. Treynor, J.L. e Black, F. (1973). How to Use a Security Analysis to Improve Portfolio Selection, Journal of Business, 46, 66-86. Truman, E. (2008). A Blueprint for Sovereign Wealth Fund Best Practices. Peterson Institute for International Economics, Washington D.C. Vijh, A. (1994). The Spinoff and Merger ex-date Effects. Journal of Finance, 49, 581-609. Weisman, S.R.. A Fear of Foreign Investments. The New York Times, 21 Agosto 2007. White, H. (1980). A Heteroskedasticity-consistent Covariance Matrix and a Direct Test for Heteroskedasticity. Econometrica, 48, 817-838. Xu, Y. e Malkiel, B.G. (2003). Investigating the Behavior of Idiosyncratic Volatility. Journal of Business, 76, 613-644.

59